Branche: Energieversorgung
Unternehmen: E WIE EINFACH
Unternehmen der Energiewirtschaft setzt auf Data-Mining.
Unser Kunde ist ein deutschlandweit tätiges Unternehmen in der Energiewirtschaft. Zur Optimierung der Marketing Maßnahmen sollte hier ein Churn-Score pro Vertrag berechnet werden, mit dem sich erkennen lässt, wie wahrscheinlich einen Kündigung des Vertrags ist. Als Datenbasis dient hier das von der ORAYLIS aufgebaute Marketing-Datawarehouse des Kunden. Dieses enthält umfangreiche und qualitätsgesicherte Vertragsdaten (Kunde, Produkt, Kontakte, Kampagnen etc.) aus SAP IS-U und weiteren operativen Systemen. Für das Data Mining wurden diese Daten mit Marktdaten (Verivox) angereichert. Durch den Zugriff auf das DWH entfiel hier eine aufwändige Datenaufbereitung und Qualitätssicherung, wodurch das Projekt in einem kurzen Zeitraum erfolgreich umgesetzt werden konnte.
Das Projekt wurde in den folgenden Schritten realisiert:
Zielbestimmung (Vision and Scope)In dieser Phase wurden das primäre Projektziel festgelegt (bessere Erkennung kündigungsgefährdeter Verträge und Ableitung von Maßnahmen zur Reduktion der Kündigungszahl)
Analyse der Prozesse und der daraus resultierenden Daten. Ergebnis dieser Phase ist ein genaues Verständnis, welche Daten sich wie aus den Prozessen ergeben. Besonders wichtig sind hier die Prozesse Vertragsverlängerung, Vertragskündigung (durch Kunde/durch Neulieferant) und der Kampagnen (z.B. Anreiz zu Produktwechsel), sowie die Besonderheiten der einzelnen Produkte.
Datenaufbereitung für das Data Mining. In dieser Phase werden die Daten für das Mining zusammengeführt und aufbereitet. Dabei werden kontinuierliche Daten (z.B. Alter) in Bereiche (z.B. 20-25) zusammengefasst und Zeitreihen berechnet (z.B. Anzahl der eingehenden Kontakte via Telefon in den letzten 3 Monaten). Das Ergebnis dieser Phase ist eine Liste von Variablen für das Data Mining.
Durchführung des Data Minings mit unterschiedlichen VerfahrenMit Hilfe von Klassifizierungsalgorithmen (z.B. Decision Tree) werden Churn-Scores (statische Wahrscheinlichkeit für eine Kündigung) berechnet und dem Vertrag zugeordnet. Cluster-Algorithmen helfen, Kundengruppen in Bezug auf das Kündigungsverhalten zu bilden (z.B. nach Alter, Bindungsdauer etc.) und Ausreißer in den Daten zu identifizieren.
Analyse der Mining Ergebnisse und Ableitung von EmpfehlungenDie statische Aussagekraft der Mining-Ergebnisse wird anhand von Methoden, wie dem Lift-Chart, der Klassifikationsmatrix und weiterer Fehlergrößen abgesichert. Hierbei können sich auch Detailanpassungen am Modell ergeben (z.B. Veränderung von Betrachtungszeiträumen, Ein-/Ausschluss von Variablen). In diesem Schritt werden auch Fehlerwahrscheinlichkeiten berechnet und ebenfalls der Vorhersage zugeordnet.Die so abgesicherten Ergebnisse werden den Vertragsdaten im DWH zugeordnet und können so z.B. gewichtet mit dem Deckungsbeitrag für die Selektion von Kunden genutzt werden, die besonders angesprochen werden sollten.Der Churn-Score im DWH geht hier auch noch als Größe in weitere Berechnungen (Kundenkennzahlen in Marketing Controlling) ein.
Überführung in den RegelbetriebChurn-Scores werden wöchentlich auf Basis der aktuellen Daten neu berechnet. Dabei werden auch die Churn-Modelle neu trainiert, um Veränderungen an der Marktsituation zu berücksichtigen.
Regelmäßige Überprüfung der Mining-Modelle (statische Testverfahren) und der Abweichungen zwischen Vorhersagen und tatsächlich beobachteten Kündigungen, sowie Feinjustierung und Erweiterung der Modelle (Aufnahme weiterer Variablen, Berechnung weiterer Zeitreihen) und Erweiterung der Verhersage-Variablen (z.B. Bindungsdauer).
Die Realisierung erfolgte mit den Daten Integrations- und Data Mining Werkzeugen des SQL Server 2008.
